关键词： 目标检测   无人机图像   YOLO-DSBE   可变形卷积   BiFormer  

摘要： 针对无人机捕获图像背景复杂、目标尺度小且相互遮挡、漏检率高等问题,提出一种基于YOLO-DSBE的无人机对地目标检测算法。提出基于可变形卷积的DC-ELAN与DC-MP模块,适应不同形状大小输入特征,提升网络对复杂背景下特征的解析能力;设计高分辨率多尺度检测层,增强算法提取小目标特征能力,提高微小目标检测精度;深度融入BiFormer动态稀疏注意力机制至改进后的特征融合网络中,剔除无关特征信息,提高相关细节的关注度并降低漏检率;引入边框损失函数EIoU,解决CIoU形状惩罚项失效的问题,提升模型收敛速度与检测精度。实验结果表明,改进算法在UA-DETRAC数据集上的的平均精度达到56.1%,相比原算法,mAP 50与mAP 50:95在VisDrone2019数据集上分别提升了3.5%与2.8%,有效提升了无人机图像识别的准确率。

关键词： 目标检测   弱光环境   深度学习  

摘要： 针对弱光环境下目标检测性能不足的问题,提出一种改进YOLOv8的弱光环境目标检测算法DarkEnv-YOLO。首先,使用Zero-DCE++增强算法对图像预增强处理,加强目标在弱光环境下的可识别性。其次,在主干网络C2F模块Bottleneck中使用Rep Ghost模块取代原网络中的部分卷积,简化网络模型提高检测速度。同时在颈部网络融合Sim AM无参注意力机制,改善卷积网络的表征能力提高检测精度。最后,使用Wise-Io U边界框回归损失函数,考虑不同图像之间权重分配从而提高检测任务的性能。实验结果表明,相较于YOLOv8在ExDark数据集上检测速度增加了4FPS,mAP精度提升了2.4%,改进后的网络能够有效地提高在弱光场景下目标检测的性能。

关键词： YOLOv8   Transformer自注意力机制   深度学习   目标检测  

摘要： 当前,犬类检测多数基于YOLOv5模型,检测精度和检测速度均不高。文章以YOLOv8为研究基础,结合Transformer自注意力机制,研究了一种犬类检测方法。研究发现,YOLOv8融合Transformer自注意力机制后,相比于YOLOv5,检测精度提高了9.18%,检测时间缩短了4.5 s,召回率提高了4.3%,F1提高了6.85%。提出的YOLOv8算法为犬类检测提供了一种新思路。

关键词： 小目标检测   YOLOv8   算法   数字化造林验收   无人机   MobileNetV4   NAM   CCFM  

摘要： 【目的】为解决传统林场造林验收过程中存在的主观性强、缺乏科学性以及管理人员不足等问题,本研究提出一种基于单阶段目标检测框架的造林明穴检测模型MAFF-YOLO,旨在自动识别并统计造林明穴的数量和位置,推动造林验收的数字化转型,提高验收效率和科学性。【方法】基于YOLOv8模型,通过多方面改进获得了MAFF-YOLO。首先,采用MobileNetV4作为主干网络,引入更多参数和层次结构提高检测精度;其次,添加基于归一化的注意力模块(NAM),增强对明穴特征的捕捉能力,减少误检和漏检;然后,将特征融合模块替换为跨尺度特征融合模块(CCFM),在降低特征图拼接计算量的同时整合不同尺度特征,提升对小尺度明穴的检测能力;接着,将检测头替换为RFAHead,根据数据的复杂性和重要性动态调整感受野,增强网络对不同输入特征的适应性;最后,优化边界框损失函数为FocusCIoU,改善正负样本分布不平衡问题,增强对关键样本的学习能力。【结果】MAFF-YOLO在识别明穴数量和位置方面表现出较高的准确性。与基础YOLOv8模型相比,其精度提高了1个百分点,mAP50提高了0.7个百分点,F_(0.5)提高了0.6个百分点,且算法复杂度显著降低。【结论】在相同实验条件下,MAFF-YOLO相较于其他现有方法,在提升模型对造林明穴目标的检测效果方面表现出显著优势,并已成功集成至端到端的检测系统中,为造林验收的数字化提供了技术支持,进一步提升了造林验收的效率和科学性。

关键词： 接触网   异物检测   YOLO   目标检测   损失函数   注意力机制  

摘要： 接触网是为列车行驶提供电力的输电线路,附着在接触网的塑料袋等异物会对列车运行造成安全隐患。针对目前人工检查效率低下、劳动成本高等问题,本文提出一种基于YOLOv7改进的接触网异物检测模型YOLO-CDBW。首先,在特征提取阶段构建一种使用残差瓶颈结构和深度分离卷积层的特征提取模块,避免因网络深度增加造成的小目标特征丢失问题,并降低网络运算量;其次,颈部改用BiFPN结构,捕捉多尺度信息,改善细节特征丢失问题,同时嵌入BiFormer注意力机制,重新分配融合后特征图的权重,提高网络对异物的关注度;最后,使用WIoU损失函数优化模型,通过动态聚焦机制,将注意力聚集在普通质量锚框上,提高预测精准度。经实验,YOLO-CDBW模型平均精度均值mAP 0.5达到87.1%,检测速度FPS达到66.5 frame/s,较YOLOv7模型分别提高5.0和10.8个百分点,满足接触网异物检测需求。

关键词： 速食粉面   YOLOv8   计算机视觉   目标识别   深度学习  

摘要： 该研究旨在解决速食粉面生产过程中对多品种外包装的智能识别难题,计算机视觉技术为速食粉面外包装生产线提供了一种高效、智能化的包装识别与分拣解决方案。当前,生产线上的包装识别系统往往受限于识别种类,每增加一种外包装识别功能,便大幅增加企业的生产开发成本。该文创新性地融合YOLOv8目标识别算法与计算机视觉技术,实现了速食粉面外包装的实时识别功能,并对外包装内食品质量无实质性影响,不仅减少了因扩展识别种类而增加的成本,还显著提升了生产线的运行效率。经实验表明,模型的精准度为99.93%,召回率为99.98%,mAP0.5为99.49%,mAP0.5∶0.95为99.47%,该研究给速食粉面包装生产企业提供了一种多品种外包装识别解决方案,具有一定的研究价值。

关键词： 空时结构张量   低秩稀疏逼近   子空间学习   红外小目标检测   组合干扰场景  

摘要： 红外目标检测系统是可靠探测和识别背景辐射与其他干扰条件下高价值目标的有效技术手段之一,广泛应用于各个领域。红外弱小目标检测作为系统的重要组成部分,仍是当前具有挑战性的关键核心技术。本文提出了一种基于低秩张量子空间学习的方法,该方法在考虑序列在空时连续一致性的同时,也保留了红外图像结构的完整性。通过空时滑动窗获得空时张量块模型,利用多子空间学习策略构建不同场景下的红外张量字典模型。最后,采用最优化算法求解所提出的红外张量目标函数,获得低秩背景和稀疏目标张量,通过重构图像检测出感兴趣的红外弱小目标。实验结果表明,在复杂背景高反虚警环境及组合强干扰场景下,该方法目标检测性能优于其他现有检测算法。

关键词： 遥感图像旋转检测   密集场景   选择性大核卷积   渐进式融合解耦检测头   YOLOv7  

摘要： 遥感图像目标的高效精确检测是目标检测领域的重要问题。然而,物体有限的外观纹理特征和多样的旋转方向使得遥感图像目标检测变得困难。针对这些问题,提出了一种改进YOLOv7的遥感图像旋转目标检测算法。首先,引入KL(Kullback-Leibler)散度作为回归损失函数将旋转框坐标转换为二维高斯分布,解决了传统水平框检测在计算旋转角度时产生边界不连续的问题。其次,引入选择性大核卷积改造YOLOv7网络的特征提取模块,增强网络对目标形状、类别、尺度等特征信息的感知能力,提高网络模型的精度。最后,针对检测头中分类和回归任务共享特征带来的精度下降问题,采用了TSCODE特征解耦的检测头,提升了网络对分类特征和回归特征的学习能力。在DOTAv1.0和HRSC2016数据集上进行了相关实验,验证了所提方法的有效性和鲁棒性。

关键词： 双目视觉   KCF算法   目标检测   位姿解算  

摘要： 针对海洋工程领域技术不断创新,以及对提高适应复杂海况能力需求持续增长的现状,该文以波浪补偿装置检测系统为背景,运用基于双目视觉的核相关滤波(kernelized correlation filters,KCF)算法作为目标检测方法。该方法基于双目视觉检测负载运动,获取图像上的特征点;并通过坐标系变换求解负载在惯性坐标系中的位置,实时检测被补给物的空间位置和姿态,从而通过对负载六自由度运动的控制,使其与被补给舰无相对运动,实现波浪补偿;基于机器人操作系统(robot operating system,ROS)在Ubuntu系统下进行编程,通过波浪补偿样机进行对比及仿真实验,验证所采用的检测跟踪方法可行性。结果表明,该方法可很好地适用于波浪补偿系统。

关键词： 润滑油净化   STM32   HHT   图像处理   上位机  

摘要： 为解决润滑油净化设备无法有效监测净化后油液中含有的杂质数量问题,设计了一个基于STM32的数据采集与云端数据管理的设备状态监测系统。该系统采用STM32F407ZGT6为核心,AD7606采集润滑油净化设备运行过程的振动状态数据,使用python语言开发的上位机软件接收由微控制器通过WiFi模块发送的传感器数据,将数据上传阿里云进行管理。使用上位机数据下载软件下载云端数据,分别使用FFT、希尔伯特-黄变换(HHT)、图像处理3种方法进行处理,分析润滑油净化设备中的杂质数量变化趋势。结果表明:3种方法处理后预测的杂质趋势一致,上位机软件将FFT和HHT的处理结果进行可视化展示,实现了对润滑油净化设备状态的全面监测。